Question

我有一个numpy 2d阵列[中/大尺寸 - 比如500x500]。我想找到它的元素指数的特征值。问题是某些值非常消极（-800，-1000等），并且它们的指数下溢（意味着它们非常接近零，因此numpy将它们视为零）。无论如何在numpy中使用任意精度？

我梦想的方式：

import numpy as np

np.set_precision('arbitrary') # <--- Missing part
a = np.array([[-800.21,-600.00],[-600.00,-1000.48]])
ex = np.exp(a)  ## Currently warns about underflow
eigvals, eigvecs = np.linalg.eig(ex)

我搜索过gmpy和mpmath的解决方案无济于事。任何想法都会受到欢迎。

Answer 1

SymPy可以计算任意精度：

from sympy import exp, N, S
from sympy.matrices import Matrix

data = [[S("-800.21"),S("-600.00")],[S("-600.00"),S("-1000.48")]]
m = Matrix(data)
ex = m.applyfunc(exp).applyfunc(lambda x:N(x, 100))
vecs = ex.eigenvects()
print vecs[0][0] # eigen value
print vecs[1][0] # eigen value
print vecs[0][2] # eigen vect
print vecs[1][2] # eigen vect

输出：

-2.650396553004310816338679447269582701529092549943247237903254759946483528035516341807463648841185335e-261
2.650396553004310816338679447269582701529092549943247237903254759946483528035516341807466621962539464e-261
[[-0.9999999999999999999999999999999999999999999999999999999999999999999999999999999999999994391176386872]
[                                                                                                      1]]
[[1.000000000000000000000000000000000000000000000000000000000000000000000000000000000000000560882361313]
[                                                                                                    1]]

你可以将N（x，100）中的100改为其他精度，但是，当我尝试1000时，本征vect的计算失败。

Answer 2

在64位系统上，有一个numpy.float128 dtype。（我相信在32位系统上也存在float96 dtype，而numpy.linalg.eig不支持128位浮点数，scipy.linalg.eig（排序）。

然而，从长远来看，这一切都不重要。任何特征值问题的一般求解器都是迭代的，而不是精确的，所以你不能通过保持额外的精度来获得任何东西！ np.linalg.eig适用于任何形状，但永远不会返回完全解决方案。

如果你总是在解决2x2矩阵问题，那么编写你自己的求解器应该更加精确。我会在最后展示一个例子......

无论如何，要进入毫无意义的精确内存容器：

import numpy as np
import scipy as sp
import scipy.linalg

a = np.array([[-800.21,-600.00],[-600.00,-1000.48]], dtype=np.float128)
ex = np.exp(a)
print ex

eigvals, eigvecs = sp.linalg.eig(ex)

# And to test...
check1 = ex.dot(eigvecs[:,0])
check2 = eigvals[0] * eigvecs[:,0]
print 'Checking accuracy..'
print check1, check2
print (check1 - check2).dot(check1 - check2), '<-- Should be zero'

但是，你会注意到你得到的只是np.linalg.eig(ex.astype(np.float64)。事实上，我很确定scipy正在做什么，而numpy会引发错误而不是默默地做错。我可能是错的，但是......

如果你不想使用scipy，一个解决方法是在取幂后重新定标，但在求解特征值之前，将它们作为“正常”浮点数，求解特征值，然后将事物重新设置为float128之后的重新调整。

E.g。

import numpy as np

a = np.array([[-800.21,-600.00],[-600.00,-1000.48]], dtype=np.float128)
ex = np.exp(a)
factor = 1e300
ex_rescaled = (ex * factor).astype(np.float64)

eigvals, eigvecs = np.linalg.eig(ex_rescaled)
eigvals = eigvals.astype(np.float128) / factor

# And to test...
check1 = ex.dot(eigvecs[:,0])
check2 = eigvals[0] * eigvecs[:,0]
print 'Checking accuracy..'
print check1, check2
print (check1 - check2).dot(check1 - check2), '<-- Should be zero'

最后，如果你只是解决2x2或3x3矩阵，你可以编写自己的求解器，将为这些矩阵形状返回一个精确值。

import numpy as np

def quadratic(a,b,c):
    sqrt_part = np.lib.scimath.sqrt(b**2 - 4*a*c)
    root1 = (-b + sqrt_part) / (2 * a)
    root2 = (-b - sqrt_part) / (2 * a)
    return root1, root2

def eigvals(matrix_2x2):
    vals = np.zeros(2, dtype=matrix_2x2.dtype)
    a,b,c,d = matrix_2x2.flatten()
    vals[:] = quadratic(1.0, -(a+d), (a*d-b*c))
    return vals

def eigvecs(matrix_2x2, vals):
    a,b,c,d = matrix_2x2.flatten()
    vecs = np.zeros_like(matrix_2x2)
    if (b == 0.0) and (c == 0.0):
        vecs[0,0], vecs[1,1] = 1.0, 1.0
    elif c != 0.0:
        vecs[0,:] = vals - d
        vecs[1,:] = c
    elif b != 0:
        vecs[0,:] = b
        vecs[1,:] = vals - a
    return vecs

def eig_2x2(matrix_2x2):
    vals = eigvals(matrix_2x2)
    vecs = eigvecs(matrix_2x2, vals)
    return vals, vecs

a = np.array([[-800.21,-600.00],[-600.00,-1000.48]], dtype=np.float128)
ex = np.exp(a)
eigvals, eigvecs =  eig_2x2(ex) 

# And to test...
check1 = ex.dot(eigvecs[:,0])
check2 = eigvals[0] * eigvecs[:,0]
print 'Checking accuracy..'
print check1, check2
print (check1 - check2).dot(check1 - check2), '<-- Should be zero'

这个返回一个真正精确的解决方案，但只适用于2x2矩阵。然而，这是唯一可以从额外精度中获益的解决方案！

Answer 3

据我所知，numpy不支持高于double精度（float64），如果没有指定，则为默认值。

尝试使用此：http://code.google.com/p/mpmath/

功能列表（以及其他）

算术：

具有任意精度的实数和复数
无限指数大小/数量

Answer 4

我对numpy没有特别的经验，但添加一个带有一定数量零的小数点可能有所帮助。例如，使用1.0000而不是1.在我遇到此问题的普通python脚本中，这有帮助，所以除非你的问题是由于numpy中的奇怪而与python无关，否则这应该有帮助。

祝你好运！

Answer 5

所以你需要350位数的精度。你不会得到IEEE浮点数（numpy正在使用）。您可以使用bc程序获取它：

$ bc -l
bc 1.06
Copyright 1991-1994, 1997, 1998, 2000 Free Software Foundation, Inc.
This is free software with ABSOLUTELY NO WARRANTY.
For details type `warranty'. 
scale=350
e(-800)
.<hundreds of zeros>00366

numpy任意精度线性代数

5 个答案: